H2O AutoML入门开发简介

本文概述

描述H2O
安装过程
Auto语言
在R和Python中实现

描述H2O 人们对机器学习算法议论纷纷，对它的专家也提出了要求。我们都知道, 技能要求存在很大差距。 H2O的动机是提供一个平台, 使非专业人员可以轻松地进行机器学习实验。
【H2O AutoML入门开发简介】H2O体系结构可以分为不同的层, 其中顶层是不同的API, 底层是H2O JVM。

文章图片
资源
H2O的核心代码是用Java编写的, 它使整个框架能够实现多线程。尽管它是用Java编写的, 但它提供了R, Python和体系结构中所示的其他少数几个接口, 从而使它可以有效地使用。
在症结所在, 我们可以说H2O是内存中的开源, 分布式, 快速且可扩展的机器学习和预测分析, 可轻松构建机器学习模型。
安装过程 [R
如果要在R中使用H2O功能, 只需使用命令install.packages(” h2o” )安装软件包H2O。

library(h2o)

## ## ---------------------------------------------------------------------- ## ## Your next step is to start H2O: ##> h2o.init() ## ## For H2O package documentation, ask for help: ##> ??h2o ## ## After starting H2O, you can use the Web UI at http://localhost:54321 ## For more information visit http://docs.h2o.ai ## ## ----------------------------------------------------------------------## ## Attaching package: 'h2o'## The following objects are masked from 'package:stats': ## ##cor, sd, var## The following objects are masked from 'package:base': ## ##%*%, %in%, & & , ||, apply, as.factor, as.numeric, colnames, ##colnames< -, ifelse, is.character, is.factor, is.numeric, log, ##log10, log1p, log2, round, signif, trunc

h2o.init()

##Connection successful! ## ## R is connected to the H2O cluster: ##H2O cluster uptime:32 minutes 57 seconds ##H2O cluster timezone:Asia/Kolkata ##H2O data parsing timezone:UTC ##H2O cluster version:3.20.0.2 ##H2O cluster version age:3 months and 22 days !!! ##H2O cluster name:H2O_started_from_R_NSingh1_wou076 ##H2O cluster total nodes:1 ##H2O cluster total memory:1.55 GB ##H2O cluster total cores:4 ##H2O cluster allowed cores:4 ##H2O cluster healthy:TRUE ##H2O Connection ip:localhost ##H2O Connection port:54321 ##H2O Connection proxy:NA ##H2O Internal Security:FALSE ##H2O API Extensions:Algos, AutoML, Core V3, Core V4 ##R Version:R version 3.5.1 (2018-07-02)

如果你没有64位的Jdk, 初始化H2O可能会在你的系统中引发错误。如果出现此类问题, 请安装最新的64位Jdk, 之后它将正常工作。
python
如果你使用的是python, 则也会应用相同的方法, 从命令行pip install -U h2o和h2o将为你的python环境安装。初始化h2o的过程将相同。

文章图片
h2o.init()命令非常聪明, 可以完成很多工作。首先, 它将在启动新实例之前查找任何活动的h2o实例, 然后在不存在实例时启动一个新实例。
它确实具有一些参数, 这些参数有助于为经常使用的h2o实例提供资源：

nthreads：默认情况下, nthreads的值为-1, 这意味着实例可以使用CPU的所有内核, 我们可以通过将值传递给参数来设置使用的内核数。
max_mem_size：通过将值传递给此参数, 可以限制分配给实例的最大内存。它的od字符串类型可以为2 GB的内存传递参数” 2g” 或” 2G” , 与要分配的MB相同。

创建实例后, 你可以通过在浏览器中键入http：// localhost：54321来访问流。 Flow是属于h2o的Web界面的名称, 它不需要任何额外的安装, 而是使用CoffeeScript(类似于JavaScript的语言)编写的。你可以将其用于执行以下操作：

直接上传数据
查看客户端上传的数据
直接创建模型
查看你或你的客户创建的模型
查看预测
直接运行预测

文章图片
该界面非常有用, 并且可以方便非专家使用, 我建议你尝试一下并进行一些自己的实验。
Auto语言现在谈论H2O的AutoML部分, AutoML帮助在用户指定的时间限制内Auto训练和调整许多模型。
当前版本的AutoML函数可以训练并交叉验证随机森林, 极端随机森林, 梯度提升机(GBM)的随机网格, 深度神经网络的随机网格, 然后使用所有模型。
当我们说AutoML时, 它应该迎合数据准备, 模型生成和集成的各个方面, 并且还应提供尽可能少的参数, 以便用户能够以更少的混乱来执行任务。 H2o AutoML确实很容易执行此任务, 并且用户传递的参数最少。
在R和Python API中, 它使用与数据相关的相同参数x, y, training_frame, 验证帧, 其中y和training_frame是必需参数, 其余参数是可选的。你还可以在此处配置max_runtime_sec和max_models的值, 其中max_runtime_sec参数是必需的, 如果不传递任何参数, 则max_model是可选的, 默认情况下其值为NULL。
x参数是training_frame中预测变量的向量, 如果你不想使用所传递帧中的所有预测变量, 则可以将其传递给x进行设置。
现在, 让我们谈谈一些可选参数和其他参数, 即使你不知道这些参数, 也要尝试对其进行调整, 这将使你获得一些高级主题的知识：

validation_frame：此参数用于提早停止automl中的各个模型。它是你传递以用于模型验证的数据框, 或者如果你未传递则可以是训练数据的一部分。
Leaderboard_frame：如果通过, 则将根据值对模型评分, 而不使用交叉验证指标。同样, 如果你未通过这些值, 则它们也是训练数据的一部分。
nfolds：默认情况下, K折交叉验证5可用于降低模型性能。
fold_columns：指定交叉验证的索引。
weights_column：如果要为特定的列提供权重, 则可以使用此参数, 将权重分配为0表示你要排除该列。
ignore_columns：仅在python中, 它与x相反。
starting_metric：指定一个用于早期停止网格搜索的度量, 并且模型的默认值是对数损失(logloss)(分类)和偏差(回归)。
sort_metric：用于对排行榜模型进行排序的参数。对于二进制分类, 默认为AUC；对于多项分类, 默认为mean_per_class_error；对于回归, 默认为deviance。

validation_frame和Leaderboard_frame取决于交叉验证参数, 即nfolds。
在两种情况下, 可能会产生以下情况：
当我们在automl中使用交叉验证时：*仅传递训练帧-然后数据将分成80-20个训练和验证帧。 *通过了培训和排行榜框架-培训和验证框架中的80-20数据分割没有变化。 *通过训练和验证框架时-不拆分。 *当所有三个帧都通过时-不分割。
当我们不使用交叉验证时, 交叉验证会大大影响排行榜框架(nfolds = 0)：*仅通过训练框架-数据分为80/10/10训练, 验证和排行榜。 *通过了培训和排行榜框架-数据分为80-20个培训和验证框架。 *通过训练和验证框架时-验证框架数据分为50-50个验证和页首横幅。 *当所有三个帧都通过时-不分割。
在R和Python中实现 R
H2O将数据导入为Frame, 这与我们在R和Python中用于不同操作的数据帧不同。

train < - h2o.importFile("train.csv")

## | ||0% | |=================================================================| 100%

test < - h2o.importFile("test.csv")

## | ||0% | |=================================================================| 100%

设置预测变量和响应。

y < - "response" x < - setdiff(names(train), y)

通过传递必需参数来创建automl对象。我们仅传递训练帧, 并且nfolds参数具有其默认值。你可以根据需要增加模型的运行时间。

train[, y] < - as.factor(train[, y])aml < - h2o.automl(x = x, y = y, training_frame = train, max_runtime_secs = 30)

## | ||0% | |=|1% | |=|2% | |==|3% | |===|4% | |===|5% | |====|6% | |=====|8% | |======|9% | |======|10% | |========|13% | |==========|15% | |==========|16% | |===========|16% | |===========|17% | |===========|18% | |============|18% | |==============================================================|95% | |=================================================================| 100%

查看不同型号的页首横幅。

lb < - aml@leaderboard lb

##model_idauc ## 1StackedEnsemble_AllModels_0_AutoML_20181008_110411 0.7823564 ## 2 StackedEnsemble_BestOfFamily_0_AutoML_20181008_110411 0.7789898 ## 3GBM_grid_0_AutoML_20181008_110411_model_0 0.7738653 ## 4GBM_grid_0_AutoML_20181008_110411_model_1 0.7720842 ## 5GBM_grid_0_AutoML_20181008_110411_model_2 0.7713380 ## 6DRF_0_AutoML_20181008_110411 0.7456390 ##logloss mean_per_class_errorrmsemse ## 1 0.55969390.3197364 0.4359927 0.1900896 ## 2 0.56284770.3112125 0.4374262 0.1913417 ## 3 0.56624890.3164375 0.4393990 0.1930715 ## 4 0.56791110.3192612 0.4402417 0.1938127 ## 5 0.56799350.3297330 0.4405557 0.1940894 ## 6 0.59858110.3611326 0.4520878 0.2043834 ## ## [8 rows x 6 columns]

python